Bab 8 Ripple Down Rules
8.1 Representasi Pengetahuan dan RDR
RDR adalah struktur sederhana yang ditujukan untuk menangkap, paling tidak sebagian, konteks dimana suatu pengetahuan didapatkan dari seorang pakar.
Tentu saja terdapat perbedaan yang amat besar pada representasi pengetahuan pada seorang pakar dan dalam sistem pakar (contohnya RDR), seperti terlihat pada gambar 8.1.
80
Diagram pada gambar 8.1 di atas menjelaskan bagaimana rule yang diekspresikan oleh seorang pakar harus dimanipulasi dan diubah untuk memastikan bahwa mereka tak saling bertumpang tindih antara satu rule dengan rule-rule yang lainnya.
Tentu saja implementasi dari pengetahuan dalam setiap sistem pakar mungkin tidak sama antara satu sistem pakar dengan yang lainnya. Hanya saja semua perbedaan yang mungkin ada tak akan meninggalkan tujuan dari tujuan representasi awalnya yaitu agar tidak terjadi tumpang tindih antar pengetahuan yang menyebabkan kerancuan dan kesulitan dalam pemanfaatan pengetahuan lebih lanjut.
Dalam gambar 8.2 berikut ini disajikan penyederhanaan representasi tree (pohon) pada Ripple Down Rules.
Gambar 8.2 Penyederhanaan representasi tree pada RDR
Pada gambar 8.2 di atas, terlihat 2 elips hitam pada puncak tree yang disebut dengan dua rule LAST_FIRED(0), sehingga prekondisi dari satu ataupun dua rule tadi untuk dieksekusi adalah tak ada satu pun rule lain yang dieksekusi.
Rule di bagian kiri, yang lebih dulu dianggap sebagai yang pertama. Jika rule ini tak bisa dieksekusi, rule LAST_FIRED(0) selanjutnya yang paling tua yang akan dipertimbangkan lebih lanjut.
81
rule tersebut pada level berikutnya yang menjadi kandidat untuk dieksekusi.
Sekali lagi, yang menjadi pertimbangan suatu rule dieksekusi adalah: satu demi satu, dari kiri ke kanan, dari yang paling tua ke yang paling muda. Setiap dari hal-hal tadi
ditambahkan ke knowledge base kita, disebabkan parent-nya salah menginterpretasikan suatu case, tetapi tak ada satu pun rule lebih lanjut yang bisa dieksekusi. Setiap dari hal-hal ini melibatkan kondisi LAST_FIRED(parent). Sekali saja satu dari rule anak-anaknya ditambahkan maka hanya rule-rule yang terkoneksi padanya yang menjadi kandidat untuk dieksekusi.
Fitur utama dari RDR adalah ia dapat menambahkan pengetahuan ke knowledge base jauh lebih cepat dibandingkan SBP konvensional sebab rule-rule ditambahkan seperti apa adanya tanpa modifikasi. Kedua, karena RDR digunakan hanya dalam konteksnya saja maka RDR amat jauh terkena dampak dari korupsi yang mungkin terjadi dalam knowledge base.
Dalam kenyataan sehari-hari, RDR telah digunakan untuk pelbagai bidang, misalnya untuk menggantikan GARVAN-ES1, sebuah sistem pakar medis yang telah ada dengan konstruksi RDR.
Contoh lain aplikasi RDR adalah PEIRS (Pathology Expert Interpretive Reporting System). PEIRS adalah sistem pakar medis yang besar untuk menginterpretasikan laporan-laporan penyakit-penyakit secara kimiawi (chemical pathology) pada Rumah Sakit St. Vincent di Sydney, Australia.
Solusi RDR untuk SISYPHUS-I adalah satu lagi contoh dari aplikasi RDR yang telah berhasil diterapkan. SISYPHUS-I adalah program untuk mengalokasikan ruang dalam komunitas graf konseptual.
Pada interpretasi ulang RDR atas GARVAN-ES1, ternyata hasilnya memuaskan, mendekati aslinya dengan gambaran kesalahan seperti pada gambar 8.3 di bawah ini.
82
Gambar 8.3 Persentase kesalahan interpretasi RDR atas GARVAN-ES1
Gambar 8.3 di atas mengilustrasikan persentase kesalahan dalam interpretasi yang dihasilkan oleh RDR saat dibandingkan dengan interpretasi aslinya yang dihasilkan oleh GARVAN-ES1, sebagai fungsi pertumbuhan dalam hal ukuran rule base. Jumlah test case berkurang selama pertumbuhan knowledge base dari 9500 ke 1500, dimana interpretasi yang tidak benar/salah dari test case digunakan dasar dari penambahan pengetahuan lebih lanjut. Tak peduli apakah case diinterpretasikan secara benar atau tidak, sekali saja suatu case menjadi kandidat untuk perubahan rule, ia tidak boleh digunakan kembali untuk memastikan bahwa test tersebut valid. Tanggal di atas mengindikasikan pada periode mana arsip case diambil.
Dalam implementasinya pada data base relasional, RDR ternyata mudah dilakukan. Ini digambarkan dalam gambar 8.4 di bawah ini.
83
Gambar 8.4 Representasi RDR dalam data base relasional
Production rule (di bagian atas) dapat direpresentasikan sebagai kumpulan tuple (record) dalam tabel relasional, dimana rule sebagai sebuah objek memiliki hubungan presence (ada) dan absence (tak ada) dengan pelbagai variasi fakta dan hubungan outcome (hasil) dengan suatu interpretasi. Ini adalah representasi penyederhanaan karena tipe objek yang lain tak terindikasikan/ada disini.
PEIRS (Pathology Expert Interpretive Reporting System)
Demonstrasi utama dari RDR adalah PEIRS dimana ia adalah sistem pakar medis yang besar untuk menginterpretasikan laporan-laporan penyakit-penyakit secara kimiawi pada Rumah Sakit St. Vincent di Sydney, Australia.
Sistem ini sekarang memiliki lebih dari 2300 rules dan mencakup kebanyakan dari penyakit secara kimiawi (chemical pathology), membuatnya menjadi sistem pakar medis yang
84
sangat besar.
Namun demikian penambahan pengetahuan seluruhnya dilakukan oleh para pakar tanpa bantuan rekayasa pengetahuan (knowledge engineering), juga tanpa kemampuan rekayasa pengetahuan atau pun kemampuan pemrograman.
Sistem ini diletakkan dalam suatu rutin yang menggunakan 200 rule, dengan semua rule tambahan berikutnya ke sistem dalam penggunaan rutin secara aktual. Sehingga 200 rule awal ini ditambahkan ke sistem secara off-line sebagai awalan dari sistem.
Pada gambar 8.5 di bawah ini disajikan contoh case yang ditangani oleh PEIRS. Interpretasi dari data secara langsung mengikuti data. Abnormalitas yang lain dalam data ini tak tercakup dalam knowledge base.
85
Sedangkan pada gambar 8.6 di bawah ini disajikan daftar (list) perbedaan-perbedaan yang disajikan kepada seorang pakar sehingga ia dapat memilih kondisi rule. Hal-hal ini
perbedaan untuk analisis tunggal.
Gambar 8.6 Daftar perbedaan-perbedaan untuk pemilihan kondisi
Pada gambar 8.7 di bawah ini disajikan contoh rule yang menunjukkan fungsi bawaan yang digunakan. Perlu dicatat dalam RULE 369 suatu ekspresi matematika yang dimasukkan oleh seorang pakar. Fungsi VAL mengembalikan nilai untuk parameter pertama pada waktu yang ditentukan oleh parameter kedua; dalam rule 452 ia mengembalikan nilai dari BLOOD_RLU
86
pada waktu minimum BLOOD_ST. TDIFF mengembalikan perbedaan waktu antara 2 titik waktu yang ditentukan. Perhatikan dalam RULE 369 bahwa urutan relasi ada tak hanya diantara nilai numerik tetapi diantara klasifikasi primer dari data.
Gambar 8.7 Contoh rule yang menampilkan fungsi bawaan yang digunakan
Kompleksitas dari rule dalam hubungannya dengan kondisi-kondisi dalam rule-rule individual dan jumlah total dari kondisi-kondisi dalam rule yang mencapai konklusi diilustrasikan dalam gambar 8.8 di berikut ini.
Gambar 8.8 Ilustrasi kompleksitas rule